論文の概要: Physics-informed MTA-UNet: Prediction of Thermal Stress and Thermal Deformation of Satellites

• arxiv url: http://arxiv.org/abs/2209.01009v1
• Date: Thu, 1 Sep 2022 12:00:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:44:57.158630
• Title: Physics-informed MTA-UNet: Prediction of Thermal Stress and Thermal Deformation of Satellites
• Title（参考訳）: 物理インフォームMTA-UNet:衛星の熱応力と熱変形の予測
• Authors: Zeyu Cao, Wei Peng, Xiaoya Zhang, Kairui Bao, Wen Yao
• Abstract要約: 本稿では,Multi-Task Learning(MTL)とU-Netの両方の利点とアテンション機構を組み合わせた,MTA-UNet(Multi-Task Attention UNet)ニューラルネットワークを提案する。 実験結果から,MTA-UNetはSTLモデルと比較して,複数の物理タスクの予測精度を効果的に向上することが示された。
• 参考スコア（独自算出の注目度）: 5.298499620269869
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The rapid analysis of thermal stress and deformation plays a pivotal role in the thermal control measures and optimization of the structural design of satellites. For achieving real-time thermal stress and thermal deformation analysis of satellite motherboards, this paper proposes a novel Multi-Task Attention UNet (MTA-UNet) neural network which combines the advantages of both Multi-Task Learning (MTL) and U-Net with attention mechanism. Besides, a physics-informed strategy is used in the training process, where partial differential equations (PDEs) are integrated into the loss functions as residual terms. Finally, an uncertainty-based loss balancing approach is applied to weight different loss functions of multiple training tasks. Experimental results show that the proposed MTA-UNet effectively improves the prediction accuracy of multiple physics tasks compared with Single-Task Learning (STL) models. In addition, the physics-informed method brings less error in the prediction of each task, especially on small data sets. The code can be downloaded at: \url{https://github.com/KomorebiTso/MTA-UNet}.
• Abstract（参考訳）: 熱応力と変形の急速な解析は、衛星の構造設計の制御と最適化において重要な役割を担っている。 本稿では,衛星マザーボードのリアルタイム熱応力と熱変形解析を実現するために,マルチタスク学習(mtl)とu-netの両方の利点と注意機構を組み合わせた,新しいマルチタスクアテンションunet(mta-unet)ニューラルネットワークを提案する。 さらに、物理インフォームド戦略は、偏微分方程式(PDE)を残留項として損失関数に統合する訓練過程において用いられる。 最後に、不確実性に基づく損失分散アプローチを、複数のトレーニングタスクの異なる損失関数の重み付けに適用する。 実験の結果,MTA-UNetはSTLモデルと比較して,複数の物理タスクの予測精度を効果的に向上することが示された。 さらに、物理に変形した手法は、各タスク、特に小さなデータセットの予測における誤差を少なくする。 コードは次の通りダウンロードできる。 \url{https://github.com/KomorebiTso/MTA-UNet}。

関連論文リスト

• Analytical Uncertainty-Based Loss Weighting in Multi-Task Learning [8.493889694402478]
  マルチタスク学習(MTL)における鍵となる課題は、ニューラルネットワークトレーニング中の個々のタスク損失のバランスを取り、パフォーマンスと効率を改善することである。 本稿では,不確かさ重み付けの最も一般的な手法に基づくタスク重み付け手法を提案する。 我々のアプローチは、解析的に禁止された、スケーラブル化のブルートフォースアプローチに匹敵する結果をもたらす。
  論文  参考訳（メタデータ） (2024-08-15T07:10:17Z)
• Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training [58.20089993899729]
  本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。 我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。 また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T05:38:17Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• An extended physics informed neural network for preliminary analysis of parametric optimal control problems [0.0]
  本研究では、パラメトリック偏微分方程式に対する教師付き学習戦略の拡張を提案する。 我々の主な目標は、パラメトリケート現象を短時間でシミュレートする物理情報学習パラダイムを提供することです。
  論文  参考訳（メタデータ） (2021-10-26T09:39:05Z)
• Physics-informed Convolutional Neural Networks for Temperature Field Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
  本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。 ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
  論文  参考訳（メタデータ） (2021-09-26T03:24:23Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Predicting Training Time Without Training [120.92623395389255]
  我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。 我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。 トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
  論文  参考訳（メタデータ） (2020-08-28T04:29:54Z)
• Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
  マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。 我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
  論文  参考訳（メタデータ） (2020-04-28T09:15:50Z)
• Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
  流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。 パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
  論文  参考訳（メタデータ） (2020-02-24T21:51:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。